本发明涉及一种基于H&E染色胃癌数字病理图像的EBV状态智能预测方法。充分地利用大量未标记的数字病理切片数据,提高数据的效率和资源利用率,实现输入一张常规的胃癌H&E染色图像,即可输出EBV状态。本发明具有较高的自动化程度和快速性,可以在短时间内生成预测结果,加速临床决策和治疗进程并为临床医生提供更好的决策支持。

一种基于H＆E染色胃癌数字病理图像的EBV状态智能预测方法，包括如下步骤：S1、对胃癌病理切片数字化后对切片预处理成256×256的图像块；S2、将图像块输入自监督学习网络中，通过对图像块包括旋转、镜像、遮挡的变换，使自监督学习网络对比学习到更广泛和多样化的图像特征；S3、将训练的自监督学习网络的编码器的权重迁移到基于注意力的多实例分类网络的ResNet50中，对输入的数字病理切片进行EBV状态的预测。

胃癌是一种常见的恶性肿瘤，起源于胃黏膜上皮细胞。全球范围内，胃癌是第五常见的癌症类型，其发病率和死亡率高居前列。根据世界卫生组织的数据，每年约有100万人被确诊患有胃癌，其中近75％的患者来自发展中国家。胃癌的发病机制极为复杂，与多种因素有关，包括遗传、环境和生活方式等。然而，近年来的研究表明，病毒感染也可能是胃癌发生和发展的重要因素之一。

Epstein-Barr病毒(Epstein-Barr Virus，EBV)是一种广泛感染人类的病毒。EBV感染与多种人类肿瘤的发生和发展相关，包括淋巴瘤、鼻咽癌、肝癌和胃癌等。EBV相关的胃癌是一种特殊亚型的胃癌，在临床特征和分子特征上与EBV不相关(non-EBV)的胃癌存在差异。EBV更常见于早期发生、浸润型胃癌，并且常伴有弥漫型淋巴细胞浸润。此外，EBV相关的胃癌还表现出特定的遗传和表观遗传改变，如基因组不稳定性和DNA甲基化异常。这些特征的存在可能为EBV相关的胃癌患者诊断和治疗提供新的靶点和策略。

苏木精—伊红染色(Hematoxylin andEosin staining，H＆E)是一种常用的组织染色技术，常用于病理学切片的准确和详细的组织学分析。数字病理学切片是通过将组织切片数字化为高分辨率的图像，为病理学家提供了一种全新的诊断和研究工具。近年来，随着深度学习技术的迅猛发展，其应用于H＆E染色数字病理学切片的分析和预测已经取得了显著的进展。然而近年来在＆E染色数字病理学切片上预测肿瘤分子亚型方面，深度学习展现出了巨大的潜力。传统上，肿瘤分子亚型的预测和分类需要依靠复杂的实验室分析和基因表达谱的解读。近年来的研究表明，深度学习通过训练神经网络模型，可以从H＆E染色的数字病理学切片中学习和提取与肿瘤分子亚型相关的特征和模式。

发明人：童同 胡紫薇 陈刚 王健超 吴志达福州大学（Fuzhou University），简称福大，位于福建省福州市，创建于1958年，是国家“双一流”建设高校，国家“211工程”建设高校，国家教育部、国家国防科技工业局与福建省人民政府共建高校，福建省三所重点建设的高水平大学之一，福建省一流大学建设高校，入选国家建设高水平大学公派研究生项目、教育部首批“卓越工程师教育培养计划”高校、新工科研究与实践项目、数据中国“百校工程”项目、国家“111计划”、“高校国际化示范学院推进计划”、国家级大学生创新创业训练计划、全国首批深化创新创业教育改革示范高校、中国政府奖学金来华留学生接收院校、全国专业学位研究生教育综合改革试点单位、国家集成电路人才培养基地、首批高等学校科技成果转化和技术转移基地、高校国家知识产权信息服务中心。

本发明一种基于H＆E染色胃癌数字病理图像的EBV状态智能预测方法，该方法在H＆E染色的数字病理图像上对EBV状态进行预测，有效地缩短了医生的诊断时间。其次，采用基于自监督学习方法，充分地利用未标注数据，提高数据的效率和资源利用率。在大规模未标注数据上进行训练，模型可以学习到更广泛和多样化的图像特征，使其在应对不同病理学样本和疾病类型时更具有适应性和泛化能力。再次，该方法采用了基于注意力的多实例分类模型进行预测，旨在仅采用图像级别标签，实现对EBV状态的预测。并设计了注意力模块，可以有效地学习到哪些区域对于预测结果更重要或更具区分性，通过注意力机制对其进行加权，以改善分类模型的性能和准确性。

当前专利未经权利人许可不得实施，希望将科技成果转让给研发实力雄厚的企业，由受让人对科技成果实施转化。交易的是科技成果中的知识产权，可以包括专利权、专利申请权、技术秘密等。科技成果转让后，转让方获得转让费，不再是科技成果的所有人；受让方向转让方支付转让费，并成为科技成果的新的所有人。